新基准用环境验证评估开放权重电商智能体
原文标题：Evaluating Open-Weight E-Commerce Agents with Environment-Grounded Verification
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文构建了一个确定性可复现的电商环境，预先固定每次试验的客户与轨迹参数，通过模拟消费者与模型交互并记录每步动作与环境状态，实现基于证据的细粒度评估。该环境可双向交互，在模拟器判定客户过度沮丧时终止试验，并实时注入探索、延迟购买或回忆指令。对 8 个 20B-35B 开源智能体的 160 次试验、44 项指标显示，能力画像可区分行动不足、过度购买、无依据产品属性与搜索不佳等终端成功率所掩盖的问题。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新电商智能体基准用确定性环境 + 44 项指标评估 8 个 20B-35B 开源模型，暴露成功率掩盖的行为缺陷。
- •环境预先固定每次试验的人设、难度、目标购物车与商品揭示时间表，保证可复现。
- •评估基于留存证据：只有当客户已提及某商品时，搜索未呈现该商品才被扣分。
- •环境与模拟消费者双向交互，客户过度沮丧时终止试验，并可实时注入探索、延迟购买、回忆指令。
- •8 个 20B-35B 开源智能体各 160 次试验、44 项指标，可区分行动不足、过度购买、无依据产品属性与搜索不佳。
为什么重要：单一任务成功率会掩盖电商智能体的具体失败模式，细粒度证据化评估对做 agent 评测和产品迭代的团队更可操作。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
AI分析40万条Reddit帖子发现Ozempic隐藏副作用
AI 摘要研究利用AI分析约40万条Reddit帖子，发现Ozempic等GLP-1药物此前未被充分记录的副作用。该成果展示AI在药物警戒与真实世界证据挖掘中的潜力，可补充传统临床试验与不良反应报告的盲区。
谷歌AlphaGenome Atlas绘制人类基因组图谱
AI 摘要谷歌DeepMind推出AlphaGenome Atlas，包含人类基因组中每个可能的DNA字母变化的预测图谱，有望加速科学研究并推动疾病治疗。该工具将改变我们对生物学的理解。
Meta Muse 下载破千万，国内创业团队争造中国版个人 Agent
AI 摘要Meta 个人 AI 助理 Muse 上线不足两月累计下载 1040 万次，带动国内 Personal Agent 创业热潮，Today AI、Manus Cue、Rabbit OS3 等相继入场。但创业团队需直面豆包、千问等大厂免费产品，以及跨 App 执行任务受微信、淘宝等平台限制的生态壁垒。
腾讯汤道生谈 WorkBuddy 商业化：不设收入数字逼团队
AI 摘要在 2026 腾讯全球数字生态大会上，腾讯发布跨应用办公协同体系 Buddy One，打通腾讯文档、会议、ima 与网盘，并推出商业化方案 Buddy One VIP。汤道生表示 WorkBuddy 商业化以支撑服务发展为目的，不设具体收入指标；负责人刘毅透露中国 500 强中 50% 已在使用，平台累计提交任务超 90 亿。